RFC 026 - In-Network Learning Puro (Gradiente Estigmergico)

Status: Rascunho Aprovado (Visão v2+) Pilar: S2 (Biologia) / S1 (Segurança)

1. Resumo

A visão para a v2+ do PAEBIRU evolui o Aprendizado Federado de um modelo com nós agregadores para uma topologia puramente in-transit. A Inteligência Artificial refina seus pesos dinamicamente durante os saltos de roteamento estigmergico. Para evitar o esquecimento catastrófico e o viés local, a rede utiliza a termodinâmica (Stochastic Gradient Langevin Dynamics - SGLD) e armazena traços de gradiente como feromônios imunológicos.

2. Motivação

O Aprendizado Federado tradicional (FedAvg) ainda impõe uma hierarquia (clientes e agregadores). Em uma malha biomimética soberana, a inteligência deve ser fluida. No entanto, atualizar um modelo sequencialmente em cada nó pode causar divergência e overfitting local. O In-Network Learning exige uma solução matemática que permita o aprendizado contínuo sem destruir o conhecimento holístico do modelo.

3. Especificação Técnica

3.1. Stochastic Gradient Langevin Dynamics (SGLD)

A atualização dos pesos do modelo não usa um Gradiente Descendente simples, mas incorpora a “temperatura” da rede:

$$ \Delta w_t = -\frac{\eta}{2} \nabla L(w_t) + \sqrt{\eta T} \xi_t $$

Onde:

• $\eta$: Taxa de aprendizado.
• $\nabla L(w_t)$: Gradiente de perda local (conhecimento do nó).
• $T$: Temperatura local do nó (calculada via Langevin, RFC 022).
• $\xi_t$: Ruído estocástico gaussiano.

O ruído termodinâmico impede que o modelo fique preso em mínimos locais de conhecimento.

3.2. Feromônios de Gradiente (Memória Topológica)

Ao processar um payload mutável (tensores), o nó deposita uma “gota” matemática (feromônio de gradiente) no C.A.P.I.B.A. Storage.

3.3. Sistema Imunológico Cognitivo

Modelos subsequentes que cruzam o mesmo caminho leem o feromônio anterior. Se o gradiente atual divergir drasticamente do histórico (sinalizando um ataque de envenenamento de dados - Data Poisoning), o nó rejeita a atualização, atuando como um filtro de correlação de enxame.

4. Impacto Arquitetural Futuro (v2)

• Biology: O StigmergicRouter passará a aceitar payloads mutáveis, modificando os tensores durante o roteamento (computação in-transit).
• Math: Adição de abstrações matriciais em ambientes no_std para calcular o $\nabla L(w_t)$ eficientemente em microcontroladores.
• Capiba: Integração da leitura de feromônios de gradiente com a execução de modelos para validação cruzada.